И. А. КРУГЛОВ
Научный руководитель – О. А. МИШУЛИНА, к. т.н., доцент
Московский инженерно-физический институт (государственный университет)
МЕТОДИЧЕСКОЕ И ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ
ДЛЯ ПРОВЕДЕНИЯ ИССЛЕДОВАНИЙ
ПО НЕЙРОСЕТЕВОМУ РЕШЕНИЮ ЗАДАЧ КЛАССИФИКАЦИИ ДАННЫХ
С ПРИМЕНЕНИЕМ ПЕРСЕПТРОНА РОЗЕНБЛАТТА
В докладе представлен программный комплекс, предназначенный для исследования методов нейросетевого решения задач классификации данных, основанных на персептроне Розенблатта. Особое внимание уделено разработке и созданию специализированного графического интерфейса.
Разработанный программный комплекс Neuro-C осуществляет обучение и моделирование трех видов нейронных сетей, основанных на персептроне Розенблатта [1] и решающих задачу классификации. Он предназначен для проведения лабораторных исследований и позволяет на практике подтвердить и лучше усвоить основные положения теории. Программный продукт является независимым от исследовательских пакетов типа MatLab и реализован в интегрированной среде разработки MS Visual C++.
С помощью комплекса Neuro-C проводятся исследования следующих типов нейросетевых архитектур: персептрон Розенблатта, двухслойный нейросетевой классификатор и многослойный персептрон. Персептрон Розенблатта предназначен для отнесения объекта к одному из двух существующих классов, линейно разделимых в пространстве признаков. Остальные две архитектуры являются многослойными и содержат персептроны Розенблатта в качестве своих элементов. Они предназначены для классификации данных в случаях попарно линейно разделимых или линейно неразделимых классов.
Пользователю предоставляется возможность сгенерировать исходные данные для проведения исследований, сформировать классы, обучить соответствующую нейронную сеть распознаванию заданных классов и проанализировать ее свойства. В программном комплексе реализована процедура генерации данных для экспериментальных исследований в широком диапазоне их характеристик. Обучение сетей производится с использованием процедуры Уидроу-Хоффа [1] и по «черепичному» алгоритму [2]. Для проведения экспериментов реализованы инструменты:
· просмотра хода процесса обучения нейронной сети и характера его сходимости;
· анализа применимости данного типа архитектуры к решению поставленной задачи;
· изучения реакции обученной нейронной сети на предъявляемый ей тестовый образец.
С помощью специализированного графического интерфейса осуществляется максимально наглядное представление как самих данных, так и результатов проведенных экспериментов. В качестве примера на рисунке представлен процесс обучения элементарного персептрона.
Программный комплекс и методические указания к его использованию будут полезны студентам, аспирантам и инженерам, желающим ознакомиться с теоретическими основами и практическими приложениями нейросетевой обработки данных
Список литературы
1. Нейронные сети: полный курс. М.: Издательский дом «Вильямс», 20с.
2. Mezard M., Nadal J. P. Learning in feed forward layered networks: The Tiling algorithm. Journal of Physics A, 1989, Volume 22, № 12. P. .
